一英裏不是個很長的距離，一立方英裏相對於地球也不會讓人覺得是個很大的空間。然後我說，這個空間內能裝下全世界所有人，你會不會覺到很驚訝？其實不過這話不是我說的，是美國作家房龍寫的。

業內有個著名的數據倉庫產品，叫 Teradata，30 多年前起這個名字，顯然是想給人能處理海量數據的感覺。然而現在，很多數據庫廠商談起可處理數據量時，TB 已經是最小單位了，經常說到 PB 甚至 ZB 級別。似乎 T 不是個多大的數，幾百 T 上 P 也沒什麼大不了的。

其實 T 有點象上麵說的立方英裏，是個挺大的數。很多人對它沒有多深的感性認識，我們要換個角度來看 1T 數據對於數據庫意味著什麼。

數據庫主要處理結構化數據，其中占據空間最大的是不斷增長的交易類數據，這種數據每條並不大，精簡地存儲大概隻要幾十到 100 字節，比如銀行交易隻要記下帳號、日期、金額；電信的通話記錄也隻是通話號碼、時刻、時長等。先按 100 字節算，也就是 0.1K，那麼 1T 空間就可以放下多少呢，大概 100 億條！

這是什麼概念呢？一年大概是 3000 多萬秒，如果用一年時間來積累 1T 數據，那意味著每秒要產生約 300 筆記錄，24 小時不停息！

這個數也不算大，象中國這樣的大國，電信運營商、全國級銀行以及大型互聯公司都不難有這種規模的業務量。但對於一個城市級別以及有些省級機構就是個不小的數了，比如稅務部門采集的企業交稅信息、連鎖超市的商品購買數據、城市商業銀行的交易記錄等，要達到平均 300 筆 / 秒並不容易，很多機構隻有白天或工作日才能產生數據。而且這還隻是 1T，要搞到幾十幾百 T，那就得讓業務量再上一兩個數量級才行。

簡單說有多少 T 數據是沒什麼感覺的，換算成每秒對應的業務量後，才知道到底意味著什麼。

有些不算頂級頭部的機構確實也有幾百 T 以及 PB 級的數據量，這又是怎麼回事呢？

圖像音視頻這種非結構化數據，隨便一條就幾 M 幾十 M，衝到 PB 很容易；但這些數據不會放在數據庫中計算。

機構中各個業務係統 N 年的數據，這個一年二百 G，那個一年五十 G，再有些計算出來的冗餘中間結果，東加西加，積累到幾百 TB 上 PB 的總量也是可能的。這些數據可能存儲在數據庫中，但通常並不會在同一個計算任務中同時出現。
設備自動采集的數據或者用戶的行為數據，每秒產生幾百條甚至上萬條也正常，一年下來也可能有幾百 T 到 PB 級。這個場景確實需要數據庫能處理比 TB 級以及更大的數據量了，但這種平凡數據用處很少，計算邏輯也非常簡單，基本上就是找到取出。

那麼我們再來看看，能處理 TB 級數據量的數據庫會什麼樣子的呢？有些數據庫廠商宣稱能在數秒內處理 TB 甚至 PB 級數據，用戶經常也這樣期望，這是真地嗎？

要處理數據，起碼都要讀一遍吧。我們按高速的固態硬盤計算，每秒能讀 300M（不能看硬盤廠商標的數，在操作係統中根本達不到），那麼 1T 數據隻是讀取不做任何運算也需要 3000 秒，接近一小時！怎麼可能數秒內處理 1T 數據呢？很簡單，搞 1000 塊硬盤，就可以在 3 秒左右讀出 1T 數據了。

這是理想的估算。實際上數據不大可能存放著那麼整齊，硬盤不連續讀取時性能下降嚴重；1000 塊硬盤顯然不會在一台機器上，那集群還有網絡延遲，有些運算可能還有回寫動作，比如排序和關聯等，秒級訪問常常還會有並發需求，這些因素綜合起來，再慢幾倍也是正常的。

也就是說，1T 數據可能意味著幾個小時，或者幾千塊硬盤。而且還是前麵的話，這隻算了 1T，可想而知幾十上百 T 會是什麼概念了。

大家如果有網上傳輸文件的經驗也能知道，搬動 1T 數據現在也是很難的，最快的辦法很可能是拿著硬盤走。這也能體會到 1T 真地很大。

其實，絕大多數用戶的絕大多數計算任務涉及的數據量上限也就是幾十 G 到幾百 G 的規模，達到 TB 級的很少，而這，也常常會讓分布式數據庫跑出幾個小時了，大家可以回看一下自己手上那麼跑得很慢的任務是不是這樣。因為計算邏輯可能很複雜，出現反複遍曆和回寫的情況並不罕見，實際在跑的分布式數據庫節點數通常就幾個到十幾個而已，真不容易造出幾千塊硬盤的環境。這時候算上幾個小時一點也不奇怪，這幾乎是金融業跑批任務的常態。

即使那些頭部大機構，總數據量真有 N 個 PB 的，計算中心也有幾千上萬個節點，但大部分任務也還是這種幾十到幾百 G 規模的，分配給某個任務的虛擬機數量也還是 10 個左右，機構大了，事也多，不可能把資源都分給一個任務了。

PB 級數據量在許多機構中是真實存在的，但主要是個存儲概念，而不是計算需求。總數據量達到 PB 級，就需要 PB 級處理能力的數據庫，這是數據庫封閉性缺陷導致的惡果，存在並不意味著合理，事實上是個糟糕的解決方案，這個話題我們以後再專門講。

1TB 對於用於分析計算的數據庫來講，是個很大的數據量，Teradata 這個名字，今天也不算過時。能流暢計算 TB 級規模的數據量，比如能把幾小時縮減到幾分鍾，優化用戶體驗；或者能把小規模分布式環境簡化到單機，從而大幅降低運維成本，已經很有意義了。有个开源的 esProc SPL好像可以。

追求 PB 級的計算能力，對於絕大多數用戶場景而言，即沒必要也不現實。